中山大學經濟所職涯座談(二) ：想從事資料分析？你需要具備這8個能力。
大數據的發展軌跡、職場前景以及必備的能力
上一篇文章(中山大學經濟所職涯座談(ㄧ)：”了解自己”的重要＆我怎麼成為數據分析師的？)我表示，經濟系的發展其實沒有想像中的窄，只是藏在了不易注意到的地方。
其中，在互聯網領域，也有非常適合經濟系從事的工作，像是專案產品經理、數位媒體操作、資料科學。
這些工作主要起因於互聯網導致的大數據發展。因為我自己從事資料分析，所以主要介紹這部分。
決定一個工作，不外乎這工作前景如何？這工作有沒有興趣？我能不能勝任這分工作？（薪水先跳過不談吧….
因此，在開頭我會先讓你們了解數據分析的前景，接著回頭看看大數據是怎麼發展的；有了興趣，再分享需要具備的8項能力。這在部分，你們可以回朔你們在經濟所受到的訓練。
如果讀者不是唸經濟系，也可以從自身所學去跟這些能力做對照。我認為只要符合50%，入門這領域就已經有相當不錯的背景了。
邀請你至Blog閱讀全文：中山大學經濟所職涯座談(二) ：想從事資料分析？你需要具備這8個能力。
如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
文章架構：
一、數據分析的前景:產業分佈及人才缺口
二、大數據的發展歷程：什麼是大數據？大數據發展軌跡？
三、從事資料分析要具備的能力與素質：4個硬實力＆4個軟實力數據分析的前景
先從產業分佈來看吧，下面這張圖是我花10分鐘搜尋的相關職缺，你們可以看到，相關工作分佈在各行各業中。
接著來看看人才缺口。之前麥肯錫的分析報告顯示，預計到2018年，大數據科學家的缺口在14萬到19萬之間，對於懂得如何利用大數據做決策的分析師和經理的崗位缺口則將達到150萬。
如果你對人類發展歷史了解的話(推薦閱讀：為什麼你生活的世界是這個樣子？人類簡史(A Brief History of Humankind)-內容及讀後感)，可以知道工業革命對人來產生了非常大的影響；而互聯網的革名，正是人類最新一次工業革命的進行式。
不只是你們所熟悉的Google、Facebook這些原生互聯網企業，許多傳統公司也在朝數位化轉型。(例如：天下雜誌數位轉型報告)
這也是為什麼，資料分析的人才缺口大且產業分布廣泛的原因。
如果你不是很喜歡銀行、保險、證券業這種環境，數據分析可以讓你有更多的產業選擇；如果你想在工業革名浪潮身歷其中，那麼數據分析也是一個很好的切入點。
雖然台灣在互聯網發展進度較慢，相比我剛出社會的五年前時，也已漸入佳境。想更加了解台灣新創圈的話，瀏覽AppWorks之初創投的網站是個很好的方式。2018年數位時代雜誌的這篇專題故事也可以閱讀。
大數據的發展
二次世界大戰時，無線通訊就被大量的應用(註：無線通訊也影響了音樂界，尤其是藍調&搖滾樂的普及)、個人電腦普及改變了辦公室的生態，資訊早已經充斥我們的生活。生活上，你可以回想小時候，用X86電腦玩金庸群俠傳、文件儲存到A槽、用撥接連上慢得要死的網路，乃至於量化經濟指標時，都是數據。
那為何又出現了大數據這個名詞？
“大數據”這個名詞大約是在2012年為人所熟知。我認為的大數據，就是行動裝置、無線通訊、社群媒體以及雲端運算這四個領域的發展，綜合組成資訊化的進步，導致數據產生了與以往不同的面貌。
邀請你至Blog閱讀全文：中山大學經濟所職涯座談(二) ：想從事資料分析？你需要具備這8個能力。
如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
一、資料量很大
想想你的每一天，從起床開始，有多少時間都在產生資訊？今天，人類平均每天會生成2.2eb（23億GB）數據，全球數據總量中有90％是過去24個月創建的。
二、資料產生的速度很快
光是比對幾年前的3G跟現在的4G，就可以很明顯的感受出速度的差異，配合越來越多的機器、網路使用者，人們可以更快速的產生大量的數據，而回應、反應這些資料的速度也成為企業的一大挑戰。
雙11momo大當機就是個例子。
三、資料結構多元
以往的企業內部資料，不外乎銷售系統、物流/金流系統所產生的結構化數據，而網路產生了許多非結構化的數據，例如你們在IG發的圖片、在Facebook留的文字、打卡的位置、瀏覽網頁時產生的足跡等等。
取得數據不再困難了，相反的，為了善加利用這些數據，如何「儲存」、「挖掘」以及「分析」，成為新的瓶頸與研究重點。
大數據在應用的發展，也是圍繞著儲存、挖掘及分析。
我認為可以分成四個階段，分別是儲存技術、統計軟體應用、BI工具快速響應，現在應該處於第四個階段 — 人工智能。
要注意的是，科技發展是動態的，因此這四個階段不是單一路徑，現在還是有許多公司在研究更佳的資料儲存技術。
如果對這方面內容有興趣的話，推薦三個延伸閱讀：
- 大數據到底是什麼意思？事實上，它是一種精神！
- 巨量資料的時代，用「大、快、雜、疑」四字箴言帶你認識大數據
- 雲端運算是什麼？Amazon、Google、Microsoft 等大廠爭相佈局，會如何改變人類生活？
你該具備的8項能力
如果上面的介紹，已經讓你對數據科學產生了興趣，恭喜你，具備經濟所背景的你，入行門檻是相對不高的。怎麼說呢？
下圖是一個資料科學家所需要具備的能力，分別為含電腦能力、數學、產業/領域知識。
一個人同時專精於三者是幾乎不可能的，隨著數據科學在企業中應用的越來越成熟，不同專長也會有相應不同的職位。
上面我提到，「儲存」、「挖掘」以及「分析」，成為新的瓶頸與研究重點。對資料分析師而言，主要著墨在「挖掘」以及「分析」。
邀請你至Blog閱讀全文：中山大學經濟所職涯座談(二) ：想從事資料分析？你需要具備這8個能力。
如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
資料分析的硬實力
- 數學知識
- 分析工具
- 編程語言
- 數據可視化
回想唸的要死的統計學、機率論、線性代數、高等微積分，你們完全具備了數學底子。再回想你們唸過的各種經濟模型，不論是不合作動態賽局、誘因相容模型、內生成長模型，都是試圖以抽象的數學來解釋真實世界的情況。
如果你是在做實證研究的，熟悉計量經濟學以及統計軟體操作會為你打下更穩固的基礎。
「念經濟就是什麼都學一點、什麼都不精？」 在互聯網時代，同時具備更多元的技能反而更有競爭力。
當然，職場並不是這麼單純，如果要持續進步的話，軟實力是同等重要，甚至更為重要！
資料分析的軟實力
- 保持好奇心＆快速學習
- 溝通協調
- 業務理解
- 邏輯思維
下一篇文章就是最後一篇了，我打算從資料的分析流程開始介紹，並給三個經濟學在資料分析的應用實例，另外補充許許多多不同的應用領域。
“不同專精方向所對應的不同職位”、“軟實力重要性的體現”也將再下一篇一并呈現！
邀請你至Blog閱讀全文：中山大學經濟所職涯座談(二) ：想從事資料分析？你需要具備這8個能力。
如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
1. Hello All：主站遷移至👉https://andyrockdata.com/ ，請改至『ROCK DATA』Blog 閱讀新文章完整內容，如果喜歡我的文章，可以訂閱我的電子報(Medium站仍將張貼新文章訊息)2.立即追蹤👉ROCK DATA臉書粉絲頁跟ROCK DATA IG(@andyrockdata)3.【入門數據分析，掌握HiveSQL取數能力】在hahow上架啦，購買連結👉 http://hahow.in/cr/andyrockhive4. 往期的數據相關文章可以參考以下link
- 數據分析系列1：談談數據分析的眾多Title
- 數據分析系列2：數據分析的一週工作日程
- 數據分析系列3：身為資料分析師，你該如何展現工作中的價值？
- 數據分析系列4：如何量化職場規劃？我這次的轉職規劃與Offer選擇
- 數據分析系列5：為什麼要關心資料來源？談談埋點數據的陷阱
- 數據分析系列6：精選幾個機器學習的學習資源
- 數據分析系列7：數位化決策轉型與企業文化的一些思考
- 數據分析系列8：中山大學經濟所職涯座談(ㄧ)：”了解自己”的重要＆我怎麼成為數據分析師
- 數據分析系列9：中山大學經濟所職涯座談(二)：想從事資料分析？你需要具備這8個能力
- 數據分析系列10：中山大學經濟所職涯座談(三) ：讓資料變商機 — 資料分析在我們生活中的應用
- 數據分析系列11：面試時，資料分析師該怎麼準備作品集？
- 數據分析系列12：2018年終工作總結(數據分析師)
- 數據分析系列13：數據化運營中玩過的分析項目：一個數據分析師的經驗總結
- 數據分析系列14：如何提升運營/產品的優化效率？或許數據指標體系的搭建可以幫到忙
- 數據分析系列15：用戶畫像很重要，那你知道是怎麼畫出來的嗎？
- 數據分析系列16：給剛入行的數據分析師：想產生價值，在試用期要做的三件事
- 數據分析系列17：2019 數據分析工作總結_關鍵詞：數倉構建、BI可視化看板、用戶畫像(標籤)與精準行銷
- 數據分析系列18：入門數據分析的第一個大門檻：SQL/Hive取數-聊聊自身學習SQL的經歷以及三個自學網站分享
- 數據分析系列19：身為數據分析師，我怎麼看hahow上”R語言和商業分析”這門課
- 數據分析系列20：直接用SQL來分析數據？怎麼沒用python/R？3個面向來考量分析工具的選擇
- 數據分析系列21：數據分析的”橫向”學習之路-珍藏的網上文章重新整理放上github
- 數據分析系列22：透過埋點，讓數據說話：埋點基本知識
- 數據分析系列23：以數據為核心的CRM進化產品：帶你了解CDP(客戶數據平台)開發過程與難點
- 數據分析系列24：SQL不難啊，為什麼不容易精通？自學與實務的4個落差
- 數據分析系列25：數據分析基本-相關分析與可視化(R語言)
- 數據分析系列26：刷完了Leetcode SQL Hard Level的28道題：歡迎領取參考答案
- 數據分析系列27：數據太髒了！3個步驟做好數據質量管理
- 數據分析系列28：跨部門溝通成本太高？數據人實現高效跨部門溝通的4個方式
- 數據分析系列29：數據分析師職場發展的另類出路
- 數據分析系列30：Databrick為何收購BI產品Redash？產品視角來看Redash的功能與價值
- 數據分析系列31：數據分析師要失業了？解讀<2022 Gartner BI魔力象限> BI產品趨勢
- 數據分析系列32：Google Data Catalog如何幫忙管理數據？ 產品介紹與體驗心得
- 數據分析系列33：復盤：數據產品從0到1的建設過程，我的9點感觸
- 數據分析系列34：Shopline-數據分析中心(Shoplytics)產品體驗
- 數據分析系列35：搞數據還是做產品？淺談『數據產品經理』
